【五模型时间序列预测对比】Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN

【五模型时间序列预测对比】Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN

预测效果

基本介绍

Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN五模型单变量时间序列预测对比 (Matlab2023b)

1.程序已经调试好，替换数据集后，仅运行一个main即可运行，数据格式为excel!!!

2.Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN五模型单变量时间序列预测对比 (Matlab2023b 单变量时间序列预测)。

3.运行环境要求MATLAB版本为2023b及其以上。

4.评价指标包括:R2、MAE、MSE、RPD、RMSE、MAPE等，图很多，符合您的需要代码中文注释清晰，质量极高。

代码功能
这段MATLAB代码实现了一个多模型时间序列预测对比系统，核心功能包括：

使用5种深度学习模型（CNN、LSTM、CNN-LSTM、Transformer、Transformer-LSTM）进行时间序列预测

完整的预测流程：数据预处理→模型构建→训练→预测→结果可视化

全面的模型性能评估与对比分析

算法步骤
数据预处理：

从Excel导入单列时间序列数据

构建滑动窗口数据集（历史步长kim=7，预测下一个时间点）

70/30比例划分训练/测试集

数据归一化（0-1范围）

模型构建与训练：

CNN：2层卷积(16/32滤波器) + 全连接层

LSTM：单层LSTM(20单元) + 全连接

CNN-LSTM：卷积层特征提取 → LSTM时序建模

Transformer：位置编码 + 2层自注意力 + 全连接

Transformer-LSTM：Transformer特征提取 → LSTM时序建模

预测与评估：

各模型分别进行训练/测试集预测

计算5种评价指标：RMSE、MAE、MAPE、R²、MSE

反归一化恢复原始数据尺度

可视化分析：

损失函数曲线（训练过程监控）

预测结果对比曲线（5模型并行展示）

误差分布直方图

多维指标雷达图

罗盘图/柱状图/散点图对比

应用场景
金融预测：股票价格、汇率波动预测

能源领域：电力负荷、能源消耗预测

气象预测：温度、降水量时序预测

工业预测：设备故障预警、生产指标预测

算法研究：深度学习时序模型对比基准

创新亮点
多模型集成对比：一站式比较5类主流时序模型

三维可视化：雷达图/罗盘图实现多维指标直观对比

复合架构：CNN-LSTM/Transformer-LSTM等混合模型

参数配置：经调优的L2正则化/学习率衰减策略

全面评估体系：5大误差指标+7种可视化分析

程序设计

• 完整代码私信回复五模型时间序列预测对比，Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行%%  导入数据（时间序列的单列数据）
result = xlsread('data.xlsx');%%  数据分析
num_samples = length(result);  % 样本个数 
kim =  7;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测%%  划分数据集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end%% 数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
p_train =  double(reshape(p_train, f_, 1, 1, M));
p_test  =  double(reshape(p_test , f_, 1, 1, N));
t_train =  double(t_train)';
t_test  =  double(t_test )';

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501